图1 基于条件流模型的强鲁棒性图像隐写系统框架图
图像隐写术(Image Steganography)旨在隐秘地将隐藏信息嵌入到一张与宿主图像近似的容器图中。此前的隐写方案通常将隐写和重建视为两部分网络进行构建,难以同时保证可靠的重建质量和隐秘性;现有技术对网络传输中的噪声和压缩也相当敏感,容器图上轻微的干扰即可能影响重建质量。如图1所示,论文“Robust Invertible Image Steganography”提出了一种可逆图像隐写方法,通过设计条件标准化流模型(Conditional Normalizing Flow),将图像的隐写和解密视作一对逆问题加以联合高效求解。为了提升隐写容量和重构质量,论文提出了分布映射模块,能够给重建过程提供有效引导,从而保留隐藏图的更多高频信息。同时,在端到端训练中引入了对各类失真的模拟,在重建网络中设计了图像增强模块以提升鲁棒性。综上,论文构建了一个强鲁棒性的高效图像隐写框架,在水印鉴权、换脸检测、屏显隐藏图像等方面有着广泛应用。
针对传统图像隐写方法对高斯噪声、泊松噪声和有损压缩鲁棒性差的问题,提出了一种基于流的鲁棒可逆图像隐写框架RIIS。框架如下图
一、方法概述:
基于流的可逆块将输入的[ X s , X h ] [X_s,X_h][X
s
,X
h
]映射到高频h_f和载体图像y中。CANP基于从y中提取的特征将h_f映射到(服从)类似高斯噪声分布的z变量。只有y通过互联网传输,然后接收方将得到失真的y ′ y'y
′
(为了输入方便,这里用y’代替图中y~)图像,通过特征增强模块以消除噪声和jpeg压缩的影响,随后从y ′ y'y
′
中提取的特征和重新采样后经过CANP模块的z ′ z'z
′
和h f ′ h_f'h
f
′
,与增强的容器y ′ y'y
′
一同输入backward块中,得到了恢复的秘密和host图像[ X s ′ , X h ′ ] [X_s',X_h'][X
s
′
,X
h
′
]
可以隐藏多张secret到一张cover
对网络的3个部分做了消融实验,分别是CANP(内容感知噪声映射层),CEM(载体增强模块)和DGM(失真引导模块)
1. CANP(内容感知噪声映射层)
将h f h_fh
f
与y yy的条件特征(图中绿色Feature Extractor)投影到z。在正向转换过程中,CANP可以将输入的图像对[ x s , x h ] [x_s,x_h][x
s
,x
h
]转换为容器图像y和近高斯随机变量z。给定容器y yy和从N(0,I)得到的随机样本z ′ z'z
′
,双射RIIS可以在反向传递中生成[ X s ′ , X h ′ ] [X_s',X_h'][X
s
′
,X
h
′
]。
图中绿色Feature Extractor,是一个残差块,用于从y中提取特征,来输出h f h_fh
f
,作者认为h f h_fh
f
高度依赖y。
上图为CANP结构,将从y中提取的特征和部分h f h_fh
f
映射到近高斯随机变量z
2. CEM(载体增强模块)用于消除收到的载密图像噪声以及jpeg压缩失真影响。
3. DGM(失真引导模块),根据输入的不同高斯噪声和jpeg压缩操作调整网络参数
二、实验设置
训练数据集:div2k
评估指标:PSNR 最高44.19
对比对象:ISN
损失函数:
L r e v L_{rev}L
rev
:原始和恢复的host和secret图像差距(恢复正确性)
L C E M L_{CEM}L
CEM
:尽可能恢复受损的container y yy
L d u s t r L_{dustr}L
dustr
:使z的分布尽可能接近高斯分布,CE为交叉损失熵
L c o n L_{con}L
con
:生成的container尽可能接近host(空域),使用FFT是为了保证在频域上也接近(衡量不可见性)
最后的损失函数为:
————————————————
版权声明:本文为CSDN博主「岁月漫长_」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.csdn.net/qq_40859587/article/details/129284552